Как изменить массивы numpy в Spark dataframe?

Question

Проблема:
Никаких назначений не допускается внутри преобразований лямбда или данных, это означает, что мы обычно должны создавать новую структуру для каждой обработки данных, выполняемой в Dataframes с помощью Spark.

Пример (Python):
Я уже получил вокруг этого вопроса, просто создавая измененные данные в месте без назначений в списки и словари, однако NumPy арифметика оказывается весьма хлопотно. И я провел несколько симуляций по размещению всех этих данных в списках, и это значительно замедлилось бы, поскольку массивы довольно большие. (. Ex эти массивы имеют длину около 3K элементов каждого, содержащегося в списках 30 массивов на дб подряд, в течение нескольких миллионов строк)

a = np.zeros(5) 

# Actual operation 
a[1:3] += 7 
print "{}".format(a) 
>> [ 0. 7. 7. 0. 0.] 

# Spark compatability - Create modified array in memory to avoid assignment 
# Not sure if this is best "solution" performance-wise 
c = np.concatenate([a[:1], a[1:3] + 7, a[3:]]) 
print "{}\n".format(c) 
>> [ 0. 7. 7. 0. 0.] 

Пример (pyspark):
Итак, теперь вы можете увидеть результат Я ожидаю, вот версия Spark.

t = sc.parallelize(a) 
t2 = t.map(lambda ar: np.concatenate([ar[:1], ar[1:3] + 7, ar[3:]])) 
t2.take(1) 

Ошибка:
Я думал, что это будет работать, но я получаю это. Я думал, что проблема была в этом «ar [1: 3] + 7», но после ее запуска без этого она по-прежнему выдавала ту же ошибку. Может быть, что-то мне не хватает.

Maybe the np.concatenate() does some sort of assignment that causes this. If that is the case what would be a way around it?

--------------------------------------------------------------------------- 
Py4JJavaError        Traceback (most recent call last) 
<ipython-input-46-4a4c467a0b3d> in <module>() 
    12 t = sc.parallelize(a) 
    13 t2 = t.map(lambda ar: np.concatenate([ar[:1], ar[1:3] + 7, ar[3:]])) 
---> 14 t2.take(1) 

/databricks/spark/python/pyspark/rdd.py in take(self, num) 
    1297 
    1298    p = range(partsScanned, min(partsScanned + numPartsToTry, totalParts)) 
-> 1299    res = self.context.runJob(self, takeUpToNumLeft, p) 
    1300 
    1301    items += res 

/databricks/spark/python/pyspark/context.py in runJob(self, rdd, partitionFunc, partitions, allowLocal) 
    914   # SparkContext#runJob. 
    915   mappedRDD = rdd.mapPartitions(partitionFunc) 
--> 916   port = self._jvm.PythonRDD.runJob(self._jsc.sc(), mappedRDD._jrdd, partitions) 
    917   return list(_load_from_socket(port, mappedRDD._jrdd_deserializer)) 
    918 

/databricks/spark/python/lib/py4j-0.8.2.1-src.zip/py4j/java_gateway.py in __call__(self, *args) 
    536   answer = self.gateway_client.send_command(command) 
    537   return_value = get_return_value(answer, self.gateway_client, 
--> 538     self.target_id, self.name) 
    539 
    540   for temp_arg in temp_args: 

/databricks/spark/python/pyspark/sql/utils.py in deco(*a, **kw) 
    34  def deco(*a, **kw): 
    35   try: 
---> 36    return f(*a, **kw) 
    37   except py4j.protocol.Py4JJavaError as e: 
    38    s = e.java_exception.toString() 

/databricks/spark/python/lib/py4j-0.8.2.1-src.zip/py4j/protocol.py in get_return_value(answer, gateway_client, target_id, name) 
    298     raise Py4JJavaError(
    299      'An error occurred while calling {0}{1}{2}.\n'. 
--> 300      format(target_id, '.', name), value) 
    301    else: 
    302     raise Py4JError(

Py4JJavaError: An error occurred while calling z:org.apache.spark.api.python.PythonRDD.runJob. 
: org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 25.0 failed 1 times, most recent failure: Lost task 0.0 in stage 25.0 (TID 30, localhost): org.apache.spark.api.python.PythonException: Traceback (most recent call last): 
    File "/databricks/spark/python/pyspark/worker.py", line 111, in main 
    process() 
    File "/databricks/spark/python/pyspark/worker.py", line 106, in process 
    serializer.dump_stream(func(split_index, iterator), outfile) 
    File "/databricks/spark/python/pyspark/serializers.py", line 263, in dump_stream 
    vs = list(itertools.islice(iterator, batch)) 
    File "/databricks/spark/python/pyspark/rdd.py", line 1295, in takeUpToNumLeft 
    yield next(iterator) 
    File "<ipython-input-46-4a4c467a0b3d>", line 13, in <lambda> 
IndexError: invalid index to scalar variable. 

    at org.apache.spark.api.python.PythonRunner$$anon$1.read(PythonRDD.scala:166) 
    at org.apache.spark.api.python.PythonRunner$$anon$1.<init>(PythonRDD.scala:207) 
    at org.apache.spark.api.python.PythonRunner.compute(PythonRDD.scala:125) 
    at org.apache.spark.api.python.PythonRDD.compute(PythonRDD.scala:70) 
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:300) 
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:264) 
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:66) 
    at org.apache.spark.scheduler.Task.run(Task.scala:88) 
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:214) 
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142) 
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617) 
    at java.lang.Thread.run(Thread.java:745) 

Driver stacktrace: 
    at org.apache.spark.scheduler.DAGScheduler.org$apache$spark$scheduler$DAGScheduler$$failJobAndIndependentStages(DAGScheduler.scala:1283) 
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$abortStage$1.apply(DAGScheduler.scala:1271) 
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$abortStage$1.apply(DAGScheduler.scala:1270) 
    at scala.collection.mutable.ResizableArray$class.foreach(ResizableArray.scala:59) 
    at scala.collection.mutable.ArrayBuffer.foreach(ArrayBuffer.scala:47) 
    at org.apache.spark.scheduler.DAGScheduler.abortStage(DAGScheduler.scala:1270) 
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$handleTaskSetFailed$1.apply(DAGScheduler.scala:697) 
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$handleTaskSetFailed$1.apply(DAGScheduler.scala:697) 
    at scala.Option.foreach(Option.scala:236) 
    at org.apache.spark.scheduler.DAGScheduler.handleTaskSetFailed(DAGScheduler.scala:697) 
    at org.apache.spark.scheduler.DAGSchedulerEventProcessLoop.doOnReceive(DAGScheduler.scala:1496) 
    at org.apache.spark.scheduler.DAGSchedulerEventProcessLoop.onReceive(DAGScheduler.scala:1458) 
    at org.apache.spark.scheduler.DAGSchedulerEventProcessLoop.onReceive(DAGScheduler.scala:1447) 
    at org.apache.spark.util.EventLoop$$anon$1.run(EventLoop.scala:48) 
    at org.apache.spark.scheduler.DAGScheduler.runJob(DAGScheduler.scala:567) 
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:1827) 
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:1840) 
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:1853) 
    at org.apache.spark.api.python.PythonRDD$.runJob(PythonRDD.scala:393) 
    at org.apache.spark.api.python.PythonRDD.runJob(PythonRDD.scala) 
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method) 
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62) 
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43) 
    at java.lang.reflect.Method.invoke(Method.java:497) 
    at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:231) 
    at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:379) 
    at py4j.Gateway.invoke(Gateway.java:259) 
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133) 
    at py4j.commands.CallCommand.execute(CallCommand.java:79) 
    at py4j.GatewayConnection.run(GatewayConnection.java:207) 
    at java.lang.Thread.run(Thread.java:745) 
Caused by: org.apache.spark.api.python.PythonException: Traceback (most recent call last): 
    File "/databricks/spark/python/pyspark/worker.py", line 111, in main 
    process() 
    File "/databricks/spark/python/pyspark/worker.py", line 106, in process 
    serializer.dump_stream(func(split_index, iterator), outfile) 
    File "/databricks/spark/python/pyspark/serializers.py", line 263, in dump_stream 
    vs = list(itertools.islice(iterator, batch)) 
    File "/databricks/spark/python/pyspark/rdd.py", line 1295, in takeUpToNumLeft 
    yield next(iterator) 
    File "<ipython-input-46-4a4c467a0b3d>", line 13, in <lambda> 
IndexError: invalid index to scalar variable. 

    at org.apache.spark.api.python.PythonRunner$$anon$1.read(PythonRDD.scala:166) 
    at org.apache.spark.api.python.PythonRunner$$anon$1.<init>(PythonRDD.scala:207) 
    at org.apache.spark.api.python.PythonRunner.compute(PythonRDD.scala:125) 
    at org.apache.spark.api.python.PythonRDD.compute(PythonRDD.scala:70) 
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:300) 
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:264) 
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:66) 
    at org.apache.spark.scheduler.Task.run(Task.scala:88) 
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:214) 
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142) 
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617) 
    ... 1 more 

Answer 1

Источником проблемы гораздо проще, чем это. При выполнении sc.parallelize(a) входной массив преобразуется в список, а элементы этого списка становятся элементами RDD. Поэтому, когда вы выполняете map, он применяет функцию к каждому элементу входа отдельно. Поэтому это эквивалентно примерно так:

f = lambda ar: np.concatenate([ar[:1], ar[1:3] + 7, ar[3:]]) 

[f(x) for x in list(a)] 
## IndexError  
## ... 
## IndexError: invalid index to scalar variable. 

Следовательно, ошибка, которую вы видите. То, что вы хотите, скорее всего, это:

sc.parallelize([a]).map(f).take(1) 
## [array([ 0., 14., 14., 0., 0.])] 

Есть также две вещи, которые стоит отметить:

• Спарк не требует лямбда-выражения при работе с функций высшего порядка. Единственное требование состоит в том, что передаваемая вами функция не должна изменять свои аргументы и оптимально должна быть чистой. На практике вы можете избавиться от изменения данных в PySpark (не Spark вообще), если вы знаете, что происходит внутри, но это не то, что вы должны делать на практике. Поэтому, чтобы ответить на вопрос из названия, просто не пытайтесь.
• Лямбда-выражения не имеют никакой волшебной защиты, которая защищает от побочных эффектов. Вы просто не можете напрямую использовать утверждения внутри своего тела.